CN113762410B - 基于机器学习的关键焊接工艺参数预测方法 - Google Patents
基于机器学习的关键焊接工艺参数预测方法 Download PDFInfo
- Publication number
- CN113762410B CN113762410B CN202111093542.4A CN202111093542A CN113762410B CN 113762410 B CN113762410 B CN 113762410B CN 202111093542 A CN202111093542 A CN 202111093542A CN 113762410 B CN113762410 B CN 113762410B
- Authority
- CN
- China
- Prior art keywords
- welding
- prediction
- welding voltage
- model
- interval
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003466 welding Methods 0.000 title claims abstract description 473
- 238000000034 method Methods 0.000 title claims abstract description 151
- 238000010801 machine learning Methods 0.000 title claims abstract description 29
- 238000013507 mapping Methods 0.000 claims description 31
- 238000009826 distribution Methods 0.000 claims description 17
- 238000012706 support-vector machine Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 18
- 230000000694 effects Effects 0.000 description 14
- 238000012360 testing method Methods 0.000 description 11
- 238000013519 translation Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000012886 linear function Methods 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012887 quadratic function Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 229910052770 Uranium Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000010953 base metal Substances 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011272 standard treatment Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于机器学习的关键焊接工艺参数预测方法，属于焊接工艺的参数预测领域。本发明解决了现有影响地下工程装备焊接质量的工艺参数复杂，导致不易对参数进行调试，进而导致地下工程装备关键部件的焊接件质量差的问题。本发明方法包括：获取焊接电流、焊接电压和送丝速度；建立送丝速度—焊接电流拟合模型，根据焊接电流预测送丝速度；建立焊接电压—焊接电流的点预测拟合模型，根据焊接电流预测焊接电压点预测值；根据焊接电压点预测值确定焊接电压的取值范围；根据获取的焊接电流和焊接速度，得到送丝速度和焊接电压的取值；将焊接电流、最终焊接电压、送丝速度和焊接速度输入至CLOOS焊接机器人系统，实现焊接工艺的自动化。本发明用于焊接工艺的参数预测。
Description
技术领域
本发明涉及基于机器学习的关键焊接工艺参数预测方法。属于焊接工艺的参数预测领域。
背景技术
地下工程装备是国家基础设施建设重要的高端装备，在铁路、隧道、桥梁等建筑行业应用广泛。为适应复杂多变的工况，保障施工质量和人员安全，其超大型关键部件的加工质量要求高、工艺流程和方法复杂。在各类工艺方法中，焊接工艺是关键部件加工的核心步骤，决定了部件的制造质量。
地下工程装备焊接工艺有如下特点。第一，影响焊接质量的焊接工艺参数复杂多样。具体地说，包括焊接条件参数、焊接过程参数和环境因素3类。焊接条件参数包括焊接形式、坡口类型、组对间隙、干伸长度等。这类参数反映了焊接要求和初始条件，对焊接质量有一定影响。焊接过程参数包括焊接电压、焊接电流、焊接速度、送丝速度等，这类参数反映了焊接过程焊头的状态，通过控制焊缝的好坏对焊接质量有决定性影响。环境因素指焊接工作环境的状态，包括温度、湿度等。第二，焊接工艺的自动化和智能化水平很高。以本发明的数据来源，中国铁建重工使用的CLOOS焊接机器人为例，通过离线编程，基本实现了上料-固定-焊接-下料流程；同时可以实时监控和调整焊接电流、电压等过程参数，操控机器人进行多层多道焊接。
焊接工艺的上述特征决定了加工过程存在如下缺陷。首先，复杂多样的焊接工艺参数导致焊接质量难以保证，任何工艺参数的波动变化都可能导致焊接质量缺陷。面对如此众多的参数，焊接人员常出现顾此失彼或误操作。其次，复杂多样的焊接工艺参数的综合协调问题也面临挑战。各类焊接工艺参数并非相互独立的，由于理化性质、机械构造等内在条件制约，一些参数可能具有一定的相关性。在焊接过程中，忽视上述内在条件，孤立地调试各类焊接工艺参数不仅工作量巨大，而且可能因设置不符合参数内在关系的数据影响焊接质量，甚至损坏焊接设备。最后，复杂多样的焊接工艺参数也给焊接机器人离线编程带来了困难。编程人员要设置众多参数值，容易出现错误，进而导致成批焊接件质量不合格。
发明内容
本发明是为了解决现有影响地下工程装备焊接质量的工艺参数复杂，导致不易对参数进行调试，进而导致地下工程装备关键部件的焊接件质量差的问题。现提供基于机器学习的关键焊接工艺参数预测方法。
基于机器学习的关键焊接工艺参数预测方法，包括：
步骤一、获取焊接电流、焊接电压和送丝速度，作为关键焊接工艺参数；
步骤二、利用Pearson相关系数计算关键焊接工艺参数中每两个参数的相关性，得到每两个参数的相关系数，当相关系数|P|≥0.6时，则认为两参数间强相关，剔除相关系数|P|≥0.6的参数对中的其一，剩余的参数作为基础焊接工艺参数；
步骤三、建立送丝速度—焊接电流拟合模型，将基础焊接工艺参数中的焊接电流作为输入,送丝速度作为输出，对送丝速度—焊接电流拟合模型进行拟合，得到最优送丝速度—焊接电流拟合模型，用于根据焊接电流预测送丝速度；
步骤四、建立焊接电压—焊接电流点预测拟合模型，将基础焊接工艺参数中的焊接电流作为输入，焊接电压作为输出，对焊接电压—焊接电流点预测拟合模型进行拟合，得到最优焊接电压—焊接电流的点预测拟合模型，用于根据焊接电流预测焊接电压点预测值；
步骤五、根据焊接电压点预测值计算得到焊接电压的区间上下界，建立焊接电流—焊接电压区间预测模型，以焊接电流作为输入，焊接电压的区间上下界作为输出，基于机器学习法对焊接电流—焊接电压区间预测模型进行训练，得到最优焊接电流—焊接电压区间预测模型，用于根据焊接电流预测焊接电压的区间上下界，确定焊接电压的取值范围，具体过程包括：
步骤五一、计算残差，并对残差进行排序，所述残差为焊接电压的真实值与焊接电压的点预测值的差值；
步骤五二、对排序后的残差进行聚类，获取聚类后残差的上下预测区间；
步骤五三、根据每个聚类的上下预测区间计算得到焊接电压的区间上下界；
步骤五四、利用深度学习网络建立焊接电流与焊接电压区间上下界的映射关系，形成映射模型，对映射模型进行拟合，得到最优映射模型作为最终的焊接电流—焊接电压区间预测模型。
步骤六、获取地下工程装备的焊接电流和焊接速度，根据送丝速度—焊接电流拟合模型计算出送丝速度，根据焊接电流—焊接电压区间预测模型计算出焊接电压的取值范围，根据实际工况获取焊接电压的取值，若实际工况允许，则取焊接电压点预测值作为最终焊接电压，若实际工况不允许，则在焊接电压的取值范围内选取最接近点预测值的值，作为最终焊接电压；
将焊接电流、最终焊接电压、送丝速度和焊接速度输入至CLOOS焊接机器人系统中，实现焊接工艺的自动化。
有益效果
本发明提出了一种知识驱动的关键焊接工艺参数的提取和决策方法，建立利用焊接电流预测送丝速度的拟合模型，提出了点预测和区间预测结合的区间拟合方法，基于机器学习法通过焊接电流预测焊接电压的标准值和焊接电压的预测区间，通过比较模型的预测精度，确定了基于ELM的最优区间预测模型；本发明利用焊接电流和焊接速度两种参数就可以控制焊接过程，且决定焊接质量的85％以上，提高了决策精度和效率，对焊接自动化具有重要意义。
附图说明
图1为本发明方法流程图；
图2为关键焊接工艺参数的两两散点图；
图3为基于机器学习的区间预测方法流程图；
图4为残差—隶属度经验分布图；
图5为BPNN算法基本原理和结构；
图6为SVM算法基本原理和结构；
图7为ELM算法基本原理和结构；
图8为送丝速度-焊接电流散点图及线性拟合效果；
图9为送丝速度-焊接电流分段拟合结果；
图10为焊接电压-焊接电流散点图及其分布情况；
图11为线性函数区间预测模型M1；
图12为二次函数区间预测模型M2；
图13为两个区间预测模型的精度对比；
图14为焊接电压的上界和下界预测结果；
图15为基于BPNN的模型在测试集上的拟合效果；
图16为基于SVM的模型在测试集上的拟合效果；
图17为基于ELM的模型在测试集上的拟合效果。
具体实施方式
具体实施方式一：结合图1具体说明本实施方式，本实施方式基于机器学习的关键焊接工艺参数预测方法，包括以下步骤：
步骤一、获取焊接工艺参数，所述焊接工艺参数包括焊接条件参数、焊接过程参数和环境因素参数；利用层次分析法确定参数对焊接质量的影响权重，根据影响权重从焊接工艺参数中(焊接过程参数)得到关键焊接工艺参数，所述关键焊接工艺参数包括：焊接电流、焊接电压、送丝速度和焊接速度；
焊接条件参数指焊头和母材的固有焊接属性，包括焊接形式(平焊、横焊等)、坡口类型(K型、U型等)、板厚、组对间隙等，这些参数的选择对焊接质量的影响权重很大。然而，上述参数在结构工艺流程设计时，是根据焊接工艺原理计算得到。即在制造要求和CLOOS机器人焊接条件确定的条件下，这些参数基本不能调整；
环境因素参数指温度、湿度、风力大小等环境属性，影响了焊接过程的理化环境，从而影响焊接质量。由于CLOOS焊接机器人在室内作业，同时焊头自带温度调节设备，在绝大多数情况下避免了环境因素参数的干扰。同时，作业现场数据显示焊头的温湿度基本保持平稳；焊接过程参数指CLOOS焊接机器人作业时焊头的状态参数，包括焊接电流、焊接电压、焊接速度、送丝速度、摆动频率、电弧长度、线能量等。这些参数决定了多层多道焊接过程中焊缝的质量，而焊缝质量是产品焊接质量最重要的评价指标。根据金属热处理相关文献，筛选出比较重要的7个焊接过程参数：焊接电流、送丝速度、焊接速度、焊接电压、线能量、摆动频率、摆动宽度。并在焊接工艺研究和操作人员的参与下，采用层次分析法，确定了上述参数对焊接质量的影响权重，如表1所示。选择权重最大的4个焊接过程参数作为关键焊接工艺参数，其累计权重表示可以决定焊接过程参数对焊接质量的影响，其影响程度在85％以上；
表1.比较重要的焊接过程参数及其对焊接质量的权重
步骤二、利用Pearson相关系数计算关键焊接工艺参数之间的相关性，Pearson相关系数(记为P)是定量描述两个参数线性相关程度的指标；若|P|≤1，且|P|越接近1，说明相关性越好；若|P|越接近0，说明相关性越差；一般的，若上述参数存在|P|≥0.6，则可以考虑建立两参数间的回归模型，实现参数取代，即参数的协调统一，称可以取代其他参数的焊接参数为基础焊接工艺参数。本发明通过大量试验数据分析，得到基础焊接工艺参数为焊接电流和焊接电压。图2为4种焊接工艺参数的两两散点图，直观显示了参数的相关程度；表2显示了Pearson分析结果：
表2.关键焊接工艺参数的Pearson相关系数分析结果
各个焊接工艺参数并非独立的。由于焊接过程的理化性质、工艺流程等，参数间可能存在相关性。不考虑内在性质，盲目调整参数，很有可能出现基础性、原理性错误，影响焊接质量，甚至损坏焊接设备。为了解决关键焊接工艺参数的综合协调问题，进行参数的相关性分析，对于强相关的工艺参数做参数取代，实现参数的协调统一；
步骤三、建立送丝速度—焊接电流拟合模型，将基础焊接工艺参数中的焊接电流作为输入,送丝速度作为输出，对送丝速度—焊接电流拟合模型进行拟合，得到最优送丝速度—焊接电流拟合模型，用于根据焊接电流预测送丝速度；
步骤四、建立焊接电压—焊接电流点预测拟合模型，将基础焊接工艺参数中的焊接电流作为输入，焊接电压作为输出，对焊接电压—焊接电流点预测拟合模型进行拟合，得到最优焊接电压—焊接电流的点预测拟合模型，用于根据焊接电流预测焊接电压点预测值；
步骤五、建立焊接电压-焊接电流的区间预测拟合模型，建立区间预测模型一般有两种方法，包括拟合中心线平移法和机器学习法，其中，基于拟合中心线平移法建立区间预测模型的具体过程包括：
传统经验公式的一般表示形式为：
由上式可见，区间上下界的确定方法为点预测模型f(i)加减常数，其几何意义为：先通过点预测得到拟合中心线，然后将拟合中心线上下平移得到区间边界，参照此方法，利用点预测模型f1(i),f2(i),f3(i),...fm(i)，分别求得C1和C2，即区间的上下边界，得到区间预测模型M1,M2,M3,...Mm；
为比较上述m个区间预测模型的精度；定义模型拟合精度的评价标准为覆盖率CR和区间宽度IW，覆盖率是指预测区间覆盖数据点的程度，覆盖率越高模型拟合精度越高；区间宽度指预测区间上下界的差值，差值越小模型拟合精度越高；定义覆盖率CR和区间宽度IW分别为：
CR＝NC/NA
IW＝UB-LB
其中，NC为预测区间覆盖数据点数；NA为总数据点数；UB为预测区间的上界；LB为预测区间的下界；
利用拟合中心线平移得到的预测区间宽度相同，预测区间内部存在部分空白区域，即该方法对边界控制较为松散。工程中，在不同焊接电流下，焊接电压可调范围存在差异，为了更精确地获取区间边界，利用机器学习算法来拟合区间的上下界，用该方法拟合区间边界的流程如图3所示；
焊接数据虽然有边界，但不能认为其就是预测区间的上下边界，其一，由于机器运行状态、数据采集等流程出错等可能产生异常数据，形成噪声点。这些噪声点并不能作为噪声边界；其二，数据的边界值(极值)不能完全表征分布特征，其分布密度等因素亦会影响实际的分布边界。所以需要对数据进行特征挖掘，估算出区间的上下界；
根据焊接电压点预测值计算得到焊接电压的区间上下界，建立焊接电流—焊接电压区间预测模型，以焊接电流作为输入，焊接电压的区间上下界作为输出，基于机器学习法对焊接电流—焊接电压区间预测模型进行训练，得到最优焊接电流—焊接电压区间预测模型，用于根据焊接电流预测焊接电压的区间上下界，确定焊接电压的取值范围，具体过程包括：
步骤五一、计算残差，并对残差进行排序，所述残差为焊接电压的真实值与焊接电压的点预测值的差值；
步骤五二、对排序后的残差进行聚类，获取聚类后残差的上下预测区间；
步骤五三、根据每个聚类的上下预测区间计算得到焊接电压的区间上下界；
步骤五四、利用深度学习网络建立焊接电流与焊接电压区间上下界的映射关系，形成映射模型，对映射模型进行拟合，得到最优映射模型作为最终的焊接电流—焊接电压区间预测模型。
步骤六、获取地下工程装备的焊接电流和焊接速度，根据送丝速度—焊接电流拟合模型计算出送丝速度，根据焊接电流—焊接电压区间预测模型计算出焊接电压的取值范围，根据实际工况获取焊接电压的取值，若实际工况允许，则取焊接电压点预测值作为最终焊接电压，若实际工况不允许，则在焊接电压的取值范围内选取最接近点预测值的值，作为最终焊接电压；
将焊接电流、最终焊接电压、送丝速度和焊接速度输入至CLOOS焊接机器人系统中，实现焊接工艺的自动化。
本实施方式中，关键焊接工艺参数指的是对焊接质量影响较大的可控焊接工艺参数，参数的筛选有两个原因：
其一，参数的影响权重大。影响焊接质量的焊接工艺参数复杂多样，但各类参数的影响程度不同，需要提取对焊接质量影响较大的若干参数，为焊接过程的参数决策提供指导。较少的关键参数可以降低决策难度，同时减少调试参数时的误操作的可能性；
其二，参数的可操控性强。各类焊接工艺参数中，有的参数可以在一定范围内调整，例如焊接电流、焊接速度等。有的参数受到设计要求、焊接条件等因素影响，基本不能调整，或调整成本很大，例如焊接形式、板厚等。需要剔除CLOOS焊接机器人在一定焊接条件下，不能调整的参数；
焊接速度和其它三个参数都没有相关性，焊接电压和送丝速度都可以用焊接电流来表示。
具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤三中建立送丝速度—焊接电流拟合模型的具体过程包括：
筛选出合格焊接件的送丝速度—焊接电流数据，绘制送丝速度—焊接电流数据散点图；若图像呈分段恒定的特点，即焊接电流在一定范围内变化，且送丝速度保持不变，则基于稳定点建立分段回归模型，所述稳定点即焊条燃烧的工作点；
若送丝速度-焊接电流散点图不符合分段恒定的特点，则利用常规函数建立拟合模型。
在焊条燃烧时，存在若干稳定燃烧的工作点(简称稳定点)，在稳定点状态上，焊接电流和焊接电压在一定范围内变化，不会引起送丝速度的变化。稳定点现象解释了送丝速度-焊接电流的上述数据特征。因此，可以考虑基于稳定点建立送丝速度—焊接电流分段回归模型，作为送丝速度—焊接电流拟合模型；根据图2可以看出，送丝速度与焊接电流具有极强相关性，则在工程中调整送丝速度时，需要考虑送丝速度对焊接电流的影响，以免出现断点焊接、焊丝粘连等现象。依据焊接数据，建立利用焊接电流预测送丝速度的数学模型，若模型的误差量足够小，就可以用焊接电流取代送丝速度，实现二者的同步调整。
其它步骤及参数与具体实施方式一相同。
具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述步骤四将基础焊接工艺参数中的焊接电流作为输入，焊接电压作为输出，对焊接电压—焊接电流点预测拟合模型进行拟合，得到最优焊接电压—焊接电流的点预测拟合模型，具体过程包括：
筛选出合格焊接件的焊接电压—焊接电流数据，并绘制焊接电压—焊接电流数据散点图；若图像呈现带状分布的特点，即在一定的焊接电流下，焊接电压在一定范围内变化，以二氧化碳焊接电弧特性曲线公式为例，有：
u＝0.05i+14±2
其中，u,i分别表示焊接电压和焊接电流；
由上式可见，在一定的焊接电流以及焊接电压的标准预测值下，有4V的变化量。考虑到焊接电压有带状区间的特征，本发明以点预测和区间预测结合的方式进行区间拟合，其中点预测是指对所有数据进行曲线拟合。得到拟合中心线，决定了焊接电压的标准取值；区间预测是指对带状区间的上下边界进行曲线拟合，决定了焊接电压的变化范围，将点预测和区间预测结合，可以建立完整的表征带状区间的预测模型。
其它步骤及参数与具体实施方式一或二相同。
具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述步骤五一中计算残差，并对残差进行排序，具体过程包括：
根据步骤四中得到的焊接电压点预测模型，通过点预测出上下偏差结果，用残差表征区间的上下界具有一般性：
εi＝ui-Ui,i＝1,2,...,N
其中，εi表示样本i的残差；ui表示焊接电压真实值；Ui表示焊接电压点预测值；N表示样本总数。
其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述步骤五二对排序后的残差进行聚类，获取聚类后残差的上下预测区间，具体过程包括：
根据区间预测理论，若要预测置信区间，前提是数据服从相同的分布，具有相同或相似分布形式的数据可以进行一定置信度下的置信区间估计。一般认为，利用聚类分析可将服从相似的分布的样本划分为同一类。所以，利用FCM(模糊聚类)对步骤五一中的残差进行聚类，每个样本以一定的隶属度归为某一类，基于隶属度，以一定的置信度估计某类的置信区间，即上下预测区间，剔除这一类内隶属度较低的样本。
定义上预测区间为：UIi＝UBi-Ui，下预测区间为：LIi＝LBi-Ui，设第s个聚类的上下预测区间分别为UICs和LICs，其计算方法如下：
将残差εi按升序排列，建立与隶属度的经验分布模型设置信度为(1-α)，聚类s的上下预测区间涵盖了经验分布模型中的(1-α/2)到α/2的残差样本，如图4所示，即：
其中，表示ui对聚类s的隶属度；/>表示第n个样本焊接电压实际值un对聚类s的隶属度；J为满足条件样本的下标。
其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述步骤五三根据每个聚类的上下预测区间计算得到样本的区间上下界，具体过程包括：
根据每个聚类的上下预测区间计算样本的区间上下界，得到样本ui的上下预测区间为：
其中，S表示FCM的聚类个数；样本ui的上预测区间为每个聚类的加权平均数，权重为其隶属度；
当样本在某聚类中隶属度较低时，该类在其预测区间的贡献值也较低，体现了数据分布特征对区间边界的影响，具有一定的合理性。
进而得到样本ui的区间上界和区间下界：
通过对残差的聚类分析，得到了置信度为(1-α)的样本区间上下界，作为区间预测的数据来源。
其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七：本实施方式与具体实施方式一至六之一不同的是，所述焊接电压—焊接电流的点预测拟合模型通过决定系数确定其模型的拟合精度，由于点预测只为找到数据的拟合中心线，因此模型的构建只为考虑计算量尽可能小，。对数据进行曲线估计，得到常用函数下的拟合效果，并用决定系数R2来表征拟合精度，R2的计算公式如下：
其中，Uj表示焊接电压的的实际值；表示焊接电压的预测值；/>表示焊接电压的平均值；n表示数据的个数；j表示第j个数据。
R2越大，说明模型的拟合精度越高，选择R2相对大，且计算量相对小的函数进行拟合。
其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八：本实施方式与具体实施方式一至七之一不同的是，所述焊接电压—焊接电流的点预测拟合模型一般采取线性模型或二次模型。
其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九：本实施方式与具体实施方式一至八之一不同的是，所述步骤五四包括：
利用BP神经网络、支持向量机SVM和极端学习机ELM三种网络分别建立焊接电流与焊接电压区间上下界的映射关系，形成映射模型，分别记为MBPNN,MSVM,MELM，并分别对这三种映射模型进行拟合，在拟合后生成的三种映射模型中选出精度最高的最为最优映射模型，作为最终的焊接电流—焊接电压区间预测模型。
根据样本区间上下界的计算结果，建立焊接电流与区间上界以及焊接电流与区间下界的关联映射模型。综合考虑各类非线性算法的复杂程度、收敛速度等因素，选择BP神经网络、支持向量机(SVM)和极端学习机(ELM)建模，并进行拟合性能度量，选择最优模型。BP神经网络是典型的多层前馈神经网络，学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小，如图5所示。该算法有很强的非线性拟合能力和柔性网络结构。缺陷在于学习速度较慢、网络结构设计无标准，且容易过拟合。支持向量机(SVM)是一种处理二分类问题的广义线性分类器，如图4图6所示。学习规则为寻找一个超平面分割样本，使得分类间隔最大化，最终转化为凸二次规划问题求解。该算法处理高维样本效率高、鲁棒性强。缺陷在于处理大规模样本效率低。极端学习机(ELM)是一种单隐层前馈神经网络，其训练过程只需要求解线性回归问题，而不用使用迭代算法，如图7所示。因此，相对于传统神经网络，该算法计算效率高，且泛化能力更好。缺陷在于拟合误差较大，且处理高维数据效果差。
其它步骤及参数与具体实施方式一至八之一相同。
具体实施方式十：本实施方式与具体实施方式一至九之一不同的是，所述步骤五四中的映射模型通过平均区间宽度进行拟合，具体为：
其中，AIW表示平均区间宽度，N为样本总数；选择平均宽度最小的映射模型，作为最优映射模型；
利用上述性能度量指标，评价利用拟合中心线平移法得到的m个区间预测模型M1,M2,M3,...Mm，以及利用机器学习法得到的3个模型MBPNN,MSVM,MELM的模型覆盖率(CR)和平均区间宽度，选择精度最高的作为最优模型。
利用以上三种算法分别进行区间预测建模，模型依次记为MBPNN,MSVM,MELM；对模型的拟合效果进行性能度量，评价指标为覆盖率(CR)和平均区间宽度(AIW)。CR的定义见式(6)，越大越好；AIW指预测区间的平均宽度，越小越好。
其它步骤及参数与具体实施方式一至九之一相同。
实施例
为验证基于机器学习的地下工程装备关键焊接工艺参数决策方法的决策精度。收集到中国铁建重工CLOOS焊接机器人对变速箱进行多层多道焊接的施工数据，用于构建上述模型。关键试验结果如下。
(1)送丝速度-焊接电流的分段拟合试验
基于CLOOS焊接机器人的加工案例，筛选出焊接合格件的数据，绘制出送丝速度-焊接电流散点图，并建立了线性回归模型，如图8所示。可得如下结论。
I.焊接电流(单位：A)在150-200，200-300两个区间内，送丝速度基本保持恒定。
II.线性回归模型的精度较高(决定系数R2＝0.75)，但从实际数据特征看，该模型无法表征数据的主要趋势，拟合效果不好。
数据分布特征符合分段恒定的特征，因此建立基于稳定点的分段拟合模型。将数据进行标准化后建模，结果如下。图9展示了分段回归模型的拟合效果。
其中，V,I分别为标准化后的送丝速度和焊接电流。可得如下结论：
I.根据数据特征，将送丝速度分为4个区间。区间1和区间3为稳定点状态，送丝速度不变。
II.区间4为非稳定点状态，利用线性回归模型拟合，精度很高(R2＝0.9593)。
III.区间2处于两个稳定点之间，但缺少数据，因此难以界定稳定点的区间边界。需要补充数据以解决。
(2)焊接电压-焊接电流的点预测模型试验
对于CLOOS焊接机器人的施工案例，筛选出合格件的数据，并进行标准化处理，绘制出散点图，并初步建立了线性回归模型，如图10所示。可得如下结论。
I.焊接电压的数据总体呈带状分布，即在一定的焊接电流下，焊接电压在一定范围内变化。
II.线性回归模型的拟合效果不好(R2＝0.063)，且由于数据呈带状分布，属于一对多的映射关系，利用单值函数拟合可能无法学习到数据主要特征。
对数据进行曲线估计，得到常用函数下的拟合效果(度量指标为R2)，如表3所示，可得如下结论：
I.各类函数中，多项式函数的拟合精度相对高；且由线性函数到二次函数精度提升较大。
II.综合考虑到计算量、拟合精度，确定线性函数、二次函数作为建模算法。需要说明的是，采取线性函数建模的原因是大部分经验公式为线性模型。
分别利用线性函数和二次函数建立焊接电压的点预测模型，结果如下：
U＝-0.2341I-0.2806
U＝-0.523I2-0.2752I-0.1739
其中，U,I分别表示标准化处理后的焊接电压和焊接电流。
表3.焊接电压-焊接电流曲线估计结果
(3)基于拟合中心线平移法的区间预测模型试验
对上述两个点预测模型使用拟合中心线平移法，分别求得C1和C2，建立区间预测模型M1和M2。如图11和图12所示。
两个区间预测模型在不同覆盖率下区间宽度如图13所示。显然，CR越高，IW越大。在相同的CR下，模型M2的区间宽度较小。因此，当区间边界没有形式要求时，优先考虑利用二次曲线进行区间预测。
(4)基于机器学习的区间预测模型试验
使用机器学习法，建立利用焊接电流预测焊接电压区间上下界的模型。试验过程及结果如下：
I.计算焊接电压的区间上下界：
a.计算残差εi,i＝1,2,...,N，其中N＝165，并按升序排列；
b.对残差利用FCM聚类。分为2类，聚类中心为-0.3012和0.3795，隶属度矩阵且每个聚类的隶属度和为/>设置置信度(1-α)＝0.95，即α＝0.05；
c.计算每个聚类的下预测区间和上预测区间，结果为：
UIC1＝0.1911,LIC1＝-0.8608
UIC2＝0.9899,LIC2＝-0.3797
d.计算各样本点的区间上下界，结果如图14所示。覆盖率CR＝0.9859，说明区间边界对样本点的包络情况很好。
II.区间上下界的建模和评价：
利用3种算法分别建模，调整关键超参数取值，得到拟合效果较好的模型。对上述模型重复运行50次，以提高区间预测的稳定性。关键超参数设置如下。
a.BP神经网络模型：隐层节点数为20个，学习算法为梯度下降法
b.SVM模型：核函数为RBF，参数寻优方法为网格搜索
c.ELM模型：隐层节点数为20个
算法在训练集和测试集上的拟合效果如图15、图16、图17所示。
利用CR和AIW评价上述模型的区间预测精度，对测试集上50次运行结果进行统计学分析，结果如表4所示。
表4. 3种区间预测模型的精度对比
进而可得如下结论。
(1)ELM模型的CR最大，SVM次之；SVM的AIW较小，ELM次之。BP神经网络的拟合效果较差，可能发生了过拟合。
(2)3种算法运行结果的方差基本一致，均比较小。说明算法的区间预测稳定性较好。
(3)考虑到ELM算法的计算效率较高，推荐采用该算法进行区间预测。
(4)对比基于机器学习的模型MELM和基于拟合中心线平移法的模型M2，显然前者在相同CR的AIW更小。因此焊接电压的最优区间预测模型为MELM。
Claims (10)
1.基于机器学习的关键焊接工艺参数预测方法，其特征在于，包括：
步骤一、获取焊接电流、焊接电压和送丝速度，作为关键焊接工艺参数；
步骤二、利用Pearson相关系数计算关键焊接工艺参数中每两个参数的相关性，得到每两个参数的相关系数，当相关系数|P|≥0.6时，则认为两参数间强相关，剔除相关系数|P|≥0.6的参数对中的其一，剩余的参数作为基础焊接工艺参数；
步骤三、建立送丝速度—焊接电流拟合模型，将基础焊接工艺参数中的焊接电流作为输入,送丝速度作为输出，对送丝速度—焊接电流拟合模型进行拟合，得到最优送丝速度—焊接电流拟合模型，用于根据焊接电流预测送丝速度；
步骤四、建立焊接电压—焊接电流点预测拟合模型，将基础焊接工艺参数中的焊接电流作为输入，焊接电压作为输出，对焊接电压—焊接电流点预测拟合模型进行拟合，得到最优焊接电压—焊接电流的点预测拟合模型，用于根据焊接电流预测焊接电压点预测值；
步骤五、根据焊接电压点预测值计算得到焊接电压的区间上下界，建立焊接电流—焊接电压区间预测模型，以焊接电流作为输入，焊接电压的区间上下界作为输出，基于机器学习法对焊接电流—焊接电压区间预测模型进行训练，得到最优焊接电流—焊接电压区间预测模型，用于根据焊接电流预测焊接电压的区间上下界，确定焊接电压的取值范围，具体过程包括：
步骤五一、计算残差，并对残差进行排序，所述残差为焊接电压的真实值与焊接电压的点预测值的差值；
步骤五二、对排序后的残差进行聚类，获取聚类后残差的上下预测区间；
步骤五三、根据每个聚类的上下预测区间计算得到焊接电压的区间上下界；
步骤五四、利用深度学习网络建立焊接电流与焊接电压区间上下界的映射关系，形成映射模型，对映射模型进行拟合，得到最优映射模型作为最终的焊接电流—焊接电压区间预测模型；
步骤六、获取地下工程装备的焊接电流和焊接速度，根据送丝速度—焊接电流拟合模型计算出送丝速度，根据焊接电流—焊接电压区间预测模型计算出焊接电压的取值范围，根据实际工况获取焊接电压的取值，若实际工况允许，则取焊接电压点预测值作为最终焊接电压，若实际工况不允许，则在焊接电压的取值范围内选取最接近点预测值的值，作为最终焊接电压；
将焊接电流、最终焊接电压、送丝速度和焊接速度输入至CLOOS焊接机器人系统中，实现焊接工艺的自动化。
2.根据权利要求1所述基于机器学习的关键焊接工艺参数预测方法，其特征在于，所述步骤三建立送丝速度—焊接电流拟合模型，具体过程包括：
获取焊接件的送丝速度和焊接电流数据，并绘制送丝速度与焊接电流数据散点图，判断散点图是否呈分段恒定的特征，所述分段恒定的特征为：焊接电流在固定范围内变化，且送丝速度保持不变，则根据稳定点建立分段拟合模型，作为送丝速度—焊接电流拟合模型，所述稳定点即送丝速度保持不变，焊接电流和焊接电压在一定范围内变化；若散点图不符合分段恒定的特征，则利用非分段函数建立送丝速度—焊接电流拟合模型。
3.根据权利要求1所述基于机器学习的关键焊接工艺参数预测方法，其特征在于，所述步骤四将基础焊接工艺参数中的焊接电流作为输入，焊接电压作为输出，对焊接电压—焊接电流点预测拟合模型进行拟合，得到最优焊接电压—焊接电流的点预测拟合模型，具体过程包括：
获取焊接件的焊接电压和焊接电流数据，并绘制焊接电压与焊接电流数据散点图，若散点图呈带状分布的特征，即在一定的焊接电流下，焊接电压在一定范围内变化，则对数据进行曲线拟合，得到拟合中心线，即焊接电压—焊接电流点预测拟合模型。
4.根据权利要求1所述基于机器学习的关键焊接工艺参数预测方法，其特征在于，所述步骤五一中计算残差，并对残差进行排序的具体过程包括：
用残差表征焊接电压预测区间的上下界：
εi＝ui-Ui,i＝1,2,...,N
其中，εi表示样本i的残差；ui表示样本i的焊接电压真实值；Ui表示样本i的焊接电压点预测值；N表示样本总数；
将计算出的残差按升序进行排列。
5.根据权利要求4所述基于机器学习的关键焊接工艺参数预测方法，其特征在于，所述步骤五二计算排序后残差的上下预测区间，具体过程包括：
定义样本i对应的焊接电压上预测区间为：
UIi＝UBi-Ui；
定义样本i对应的焊接电压下预测区间为：
LIi＝LBi-Ui；
利用FCM对残差进行聚类，得到N个聚类的残差，设第s个聚类残差的上预测区间为UICs；下预测区间为LICs，建立残差与其隶属度的分布模型设置信度为(1-α)，则聚类s的上下预测区间包含了分布模型中的(1-α/2)到α/2的残差样本，表示为：
LICs＝εm，其中，
UICs＝εm，其中，
其中，表示ui对聚类s的隶属度；/>表示第n个样本焊接电压实际值un对聚类s的隶属度；J为满足条件样本的下标。
6.根据权利要求5所述基于机器学习的关键焊接工艺参数预测方法，其特征在于，所述步骤五三根据每个聚类的上下预测区间计算得到样本的区间上下界，具体过程包括：
根据聚类s的上预测区间得到ui的上预测区间为：
根据聚类s的下预测区间得到ui的下预测区间为：
其中，S表示FCM的聚类个数；ui的上预测区间为每个聚类的加权平均数，权重为ui的隶属度；
根据ui的上预测区间得到置信度为(1-α)的样本区间上界和区间下界：
7.根据权利要求1或3所述基于机器学习的关键焊接工艺参数预测方法，其特征在于，所述焊接电压—焊接电流的点预测拟合模型通过决定系数确定其模型的拟合精度，所述决定系数计算公式如下：
其中，Uj表示焊接电压的的实际值；表示焊接电压的预测值；/>表示焊接电压的平均值；n表示数据的个数。
8.根据权利要求7所述基于机器学习的关键焊接工艺参数预测方法，其特征在于，所述焊接电压—焊接电流的点预测拟合模型为线性模型或二次模型。
9.根据权利要求1所述基于机器学习的关键焊接工艺参数预测方法，其特征在于，所述步骤五四包括：
利用BP神经网络、支持向量机SVM和极端学习机ELM三种网络分别建立焊接电流与焊接电压区间上下界的映射关系，形成映射模型，分别记为MBPNN,MSVM,MELM，并分别对这三种映射模型进行拟合，在拟合后生成的三种映射模型中选出精度最高的最为最优映射模型，作为最终的焊接电流—焊接电压区间预测模型。
10.根据权利要求1或9所述基于机器学习的关键焊接工艺参数预测方法，其特征在于，所述步骤五四中的映射模型通过平均区间宽度进行拟合，具体为：
其中：AIW表示平均区间宽度，N为样本总数；选择平均宽度最小的映射模型，作为最优映射模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111093542.4A CN113762410B (zh) | 2021-09-17 | 2021-09-17 | 基于机器学习的关键焊接工艺参数预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111093542.4A CN113762410B (zh) | 2021-09-17 | 2021-09-17 | 基于机器学习的关键焊接工艺参数预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113762410A CN113762410A (zh) | 2021-12-07 |
| CN113762410B true CN113762410B (zh) | 2023-12-08 |
Family
ID=78796252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111093542.4A Active CN113762410B (zh) | 2021-09-17 | 2021-09-17 | 基于机器学习的关键焊接工艺参数预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113762410B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115255576A (zh) * | 2022-07-27 | 2022-11-01 | 深圳市爱达思技术有限公司 | 焊接工作点设置方法、装置、设备及存储介质 |
| CN116275643B (zh) * | 2023-02-03 | 2023-11-07 | 苏芯物联技术(南京)有限公司 | 一种焊接工艺执行情况智能识别方法 |
| CN115815939B (zh) * | 2023-02-20 | 2023-05-16 | 国网山东省电力公司东营供电公司 | 一种电容器安装用辅助定位方法 |
| CN116561710B (zh) * | 2023-05-12 | 2024-02-02 | 西咸新区大熊星座智能科技有限公司 | 基于数据空间转化的焊接参数迁移学习预测方法 |
| CN116900582B (zh) * | 2023-07-19 | 2024-02-02 | 西咸新区大熊星座智能科技有限公司 | 一种具有参数预测功能的焊接机器人 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101987A (zh) * | 2017-06-20 | 2018-12-28 | 林肯环球股份有限公司 | 用于焊接件分类和关联的机器学习 |
| CN109214605A (zh) * | 2018-11-12 | 2019-01-15 | 国网山东省电力公司电力科学研究院 | 电力系统短期负荷概率预测方法、装置及系统 |
| CN110116254A (zh) * | 2019-05-05 | 2019-08-13 | 中国石油天然气集团有限公司 | 油气集输用双金属复合管环焊接头缺陷预测与控制方法 |
| CN110619188A (zh) * | 2019-09-26 | 2019-12-27 | 华中科技大学 | 一种焊接变形应力仿真方法、装置、设备及存储介质 |
| CN112101669A (zh) * | 2020-09-21 | 2020-12-18 | 国网福建省电力有限公司泉州供电公司 | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 |
| CN112733884A (zh) * | 2020-12-23 | 2021-04-30 | 树根互联技术有限公司 | 焊接缺陷识别模型训练方法、装置和计算机终端 |
-
2021
- 2021-09-17 CN CN202111093542.4A patent/CN113762410B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109101987A (zh) * | 2017-06-20 | 2018-12-28 | 林肯环球股份有限公司 | 用于焊接件分类和关联的机器学习 |
| CN109214605A (zh) * | 2018-11-12 | 2019-01-15 | 国网山东省电力公司电力科学研究院 | 电力系统短期负荷概率预测方法、装置及系统 |
| CN110116254A (zh) * | 2019-05-05 | 2019-08-13 | 中国石油天然气集团有限公司 | 油气集输用双金属复合管环焊接头缺陷预测与控制方法 |
| CN110619188A (zh) * | 2019-09-26 | 2019-12-27 | 华中科技大学 | 一种焊接变形应力仿真方法、装置、设备及存储介质 |
| CN112101669A (zh) * | 2020-09-21 | 2020-12-18 | 国网福建省电力有限公司泉州供电公司 | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 |
| CN112733884A (zh) * | 2020-12-23 | 2021-04-30 | 树根互联技术有限公司 | 焊接缺陷识别模型训练方法、装置和计算机终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113762410A (zh) | 2021-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113762410B (zh) | 基于机器学习的关键焊接工艺参数预测方法 | |
| Javed et al. | Tool wear monitoring and prognostics challenges: a comparison of connectionist methods toward an adaptive ensemble model | |
| JP5068637B2 (ja) | 製造プロセスにおける操業と品質の関連解析装置、解析方法、プログラム、及びコンピュータ読み取り可能な記録媒体 | |
| CN110782067B (zh) | 一种基于模糊信息粒化的烧结终点波动范围预测方法 | |
| CN114678080B (zh) | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 | |
| CN102722103A (zh) | 基于模糊分析和可视化技术的多目标参数寻优方法 | |
| WO2022116571A1 (zh) | 一种基于lstm的热轧弯辊力预测方法 | |
| Wang et al. | An intelligent process parameters determination method based on multi-algorithm fusion: A case study in five-axis milling | |
| CN115860211A (zh) | 一种基于局部在线建模的铸坯质量预测方法 | |
| CN115130749A (zh) | 融合nsga-ⅲ和topsis的数据驱动多目标优化方法 | |
| Wang et al. | Optimization of aluminum fluoride addition in aluminum electrolysis process based on pruned sparse fuzzy neural network | |
| JP4653547B2 (ja) | 製造プロセスにおける操業と品質の関連解析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 | |
| CN111340269A (zh) | 用于流程工业过程的实时优化方法 | |
| CN110967471A (zh) | 一种变压器油中溶解气体浓度预测方法 | |
| CN114118982A (zh) | 云计算和边缘计算结合的生产控制系统 | |
| CN116894180B (zh) | 一种基于异构图注意力网络的产品制造质量预测方法 | |
| CN114254915A (zh) | 轴类零件全流程加工质量合格状态决策及优化方法 | |
| CN117574776A (zh) | 一种面向任务规划的模型自学习优化方法 | |
| CN113204857A (zh) | 基于极端梯度提升树算法的电子器件剩余寿命预测方法 | |
| Wei et al. | Manufacturing data-driven process adaptive design method | |
| Nojeem et al. | Machine Learning assisted response circles for additive manufacturing concerning metal dust bed fusion | |
| CN112990601A (zh) | 基于数据挖掘的蜗轮加工精度自愈模型及方法 | |
| Xu et al. | Evidential KNN-based performance monitoring method for PID control system | |
| Guo et al. | Machine Learning for Determining Key Parameters in Welding Process of Underground Engineering Equipment | |
| Zhang et al. | Research on transformer fault diagnosis method based on rough set optimization BP neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |